谁来支付租金？空间不平等对基于预测的资源分配政策的影响

AI驱动的稀缺资源分配政策依赖于预测，既针对特定个体（如高风险人群），也针对特定场所（如社区）。近期关于个体层面目标定位的研究显示出矛盾结果；一些模型表明，当不平等性较高时，目标定位并无用处，而其他研究则显示潜在的益处。为研究并调和这一表面性矛盾，我们基于Mallows模型开发了一个简化框架，以了解空间不平等分布如何影响门到门外展开政策的有效性。我们引入了租金指标（RENT, Relative Efficiency of Non-Targeting），用于评估在高风险家庭空间集中或空间分散时，目标化方法相对于社区基方法在防止租户被驱逐方面的有效性。随后，我们校准模型参数以美国一座中型城市收集的租户驱逐法院记录为依据。结果表明，即便在高度隔离且风险集中地区，针对性政策仍可显著提升对高风险家庭的覆盖率。我们指出，先前文献中的这一矛盾可通过考虑（1）部署成本来源以及（2）观察到的风险与模型化风险的集中程度来调和。我们的结果为在特定应用场景和地理环境下部署AI驱动的社会服务解决方案提供了指导。